欢迎！本材料从诞生之初就是数字化的：正如该领域的新闻与发现一样，它可以近乎同步地修订和更新——这是印刷书籍无法做到的。

本书的目的不是穷尽这一主题，而是充当一份实用参考指南：你可以从这里提取某条具体信息、复制一个 prompt 并按自己的需要加以调整。无需按顺序阅读——直接翻到需要的地方即可。

尽量把理论定义压到最低限度：理解 AI 工具的工作原理，是充分发挥其效能的基础。也仅仅因为这个原因，才值得了解这些工具的基本原理——而且这并不复杂。你大概已经听说过，ChatGPT（及类似工具）的运行方式就像一个巨大的文本预测器。我们在一些日常应用中已经或多或少习惯了这类功能。例如，在手机上回复电子邮件时，刚一开头，就会出现对后续文字的建议（图 01）。

这种自动补全源于「上下文」以及词语在序列中出现的概率。如果我请你补全「天空是[___]」这句话，你脑海中浮现的是哪个词？你想到「蓝」或「辽阔」的概率，要远大于想到「猩红」。 「天空是蓝的」「天空是辽阔的」「天空是猩红的」这三句话在技术上都没错，但它们在日常生活中的使用频率并不相同。

如何把这个道理用到 AI 工具上？它们是通过分析数十亿——毫不夸张——的文本和材料被「投喂（训练）」出来的，因此掌握了词语按序出现的概率数据。显然，真实机制远比这复杂，但这个类比足以帮助我们更有效地使用这些工具。

在本书的语境中：treinamento，简单来说，指的是把各类材料来源（例如不同语言的文本）呈现给 AI 的过程，使其能够识别模式，进而决定接下来应该出现哪个词或哪段文字。

当你打开 AI 工具（如 Gemini 和 ChatGPT）时，会遇到选择「不同」AI 的选项——我们称之为模型。可以把它们理解为 AI 的「版本」，就像自行车有不同的配置（无变速、18 速、带避震、碳纤维……），汽车有不同的款型（Onix LT、LTZ、Premier……）：逻辑大致相同。模型没有「对错之分」：只有更适合特定任务的模型，其能力与价格（或使用限制）各不相同。

这里有两种重要类别：所谓的推理模型（thinking models）和「普通」模型。理论上，推理模型更适合需要权衡多种因素的复杂任务。它们的处理能力更强，但生成答案也更慢。

在实践中不必为此过分纠结：目前（2026 年）几乎所有相关模型默认都是推理模型，差别只在于回答前「思考」多少——许多工具已经提供推理强度选择器（类似「快速」与「深入思考」之分），而不是两个完全分开的产品。对于简单任务（总结、翻译、排版），选最快的档位即可；对于需要交叉比对多方信息的分析，则值得开启深度推理、多等一会儿。思路始终不变：大胆试用各种产品和模型，看看哪种能为每项任务给出最好的答案。

我经常被问到的一个问题是：「哪个工具最好？」最好的答案永远是「看情况」，但请容我展开说明。锤子、螺丝刀和钳子，哪个更好？取决于你要做什么。

就 AI 助手而言，逻辑类似。GPT、Gemini 和 Claude 是最有名的。GPT 拥有目前最好的 Deep Research（高级检索/研究模式——后文会解释）。Gemini 与 Google 生态系统深度集成，自发布以来改进显著。Claude 则在文本产出和编程相关任务上表现出色。

如果你正在考虑为某个 AI 助手付费，建议遵循以下步骤：

1. 先连续使用一到两个月的免费版本，再决定是否订阅。
2. 请不要订阅所谓的「AI 聚合器」（以低价/促销价提供多个模型访问权限的网站）：它们很可能无法真正满足你的需求。既然 Gemini 和 ChatGPT 都有价格亲民的方案，就没必要使用中间商。
3. 你可以免费使用 Google 的模型，网址：https://ai.dev.

下面列出了目前主要的 AI 工具，包括免费和付费的。

我们先从 prompt 说起。这是一个基础概念：prompt 是我们传给人工智能工具的指令的名称。

"以下文本将作为［心理学/工程学/法学/医学］课程的会议论文摘要提交。请检查文本的语法、连贯性与衔接性，并在必要时提出修改建议。"

"An electrician came to my home and said I need to install a residual-current device (RCD). Explain what it is and what its function is."

"You will act as an expert radiology instructor. I have 20 days to learn the fundamentals of ultrasonography and you will be my teacher: build a detailed learning schedule for those 20 days, covering the key ultrasound concepts that an excellent introductory module should include."

"You will act as an English teacher specialized in teaching English as a foreign language. I have 20 minutes per day and you will be my instructor: build a detailed learning plan with basic, intermediate and advanced English content so that a foreign learner can communicate adequately.
                
We can begin immediately, and your first task is to assess my current English level. Ask the necessary questions to evaluate my skills."

你是一位资深职业教练，在职业转型方面拥有 20 年经验，专长于帮助 IT、工程和创意行业从业者清晰、自信地完成职业转变。你的风格富有同理心、直接、以证据为基础，借鉴了 Ikigai 和 GROW 等方法。

**背景**：用户正在考虑职业转型——换工作、换行业甚至创业——但需要深入思考以避免后悔。我们正在进行迭代式对话，以规划理想路径。

**目标**：引导用户反思自己的现状，识别真实的动机、优势与障碍，制定一份分步清晰、可执行的个人化转型计划。

**任务（反向提问）**：先不要给出建议或计划。相反，请提出 5-7 个关键且开放的问题来收集核心信息，并按类别分组（例如："你目前的处境"、"动机与价值观"、"技能与人脉"）。待用户回答后，据此生成一份反思报告和初步计划。

现在就要提出的问题：
1. 你目前的职业是什么？从业多久？最喜欢和最不喜欢的是什么？
2. 你为什么现在想转型？请描述情绪上或现实上的触发因素。
3. 你的核心技能（技术和软技能）是什么？最令你自豪的成就是什么？
4. 对你而言，新职业中的"成功"是什么（如：薪水、灵活性、影响力）？
5. 你预见到哪些现实障碍（经济、家庭、市场）？
6. 请描述你的职业人脉，以及谁能在这场转型中帮到你。
7. 以 1-10 分计，你对未来 6-12 个月内做出改变的准备程度有多高？

请分析回答并确认理解无误后再继续。

[背景] 我们正在就［插入主题，如：某个协议的制定］进行一场漫长的对话。为了不丢失重要细节，并在新对话中清空上下文窗口，请你把我们做过的一切浓缩如下。

[任务] 请生成一份详细的"当前状态摘要"，包含：
1. 我们正在追求的主要目标。
2. 所有已确定并验证的决定（哪些已经完成）。
3. 我们暂停之处的确切当前状态。
4. 尚待处理的紧接着的后续步骤。
5. 我在本次对话中已经教会你的风格限制或偏好。

[格式] 输出必须是结构化文本，可直接复制并粘贴为新对话的第一条 prompt，让新的 AI 实例从我们停下的地方无缝接续工作，不丢失上下文。
                    

从上一节的讨论可知，不同的 prompt 对特定任务的适配程度不一。由此常产生一个疑问：存在「完美」的 prompt 吗？答案是：不存在唯一完美的 prompt，但有一些组成部分，只要组织得当，就能对我们需要解决的大多数任务产生出色的结果。

一个好 prompt 的组成

1. Persona —— AI 在回答时应「扮演」谁。
2. 目标 —— 你希望通过该输出达成什么。
3. Contexto —— 让任务变得具体的背景信息。
4. 任务 —— 具体指令，即 AI 要做什么。
5. 限制 — 回答中应该（或不应）出现什么。
6. 输出格式 —— 结果应如何组织（表格、列表、连贯文本等）。

请注意，并非所有组成部分都是必需的。例如，对于生成一段文字这类简单任务，你可能不需要角色设定、上下文或限制条件。

示例 1

角色设定：
你将扮演人力资源经理。

目标：
为行政绩效评估制定客观标准。

背景：
由助理和分析师组成的行政团队。

任务：
1. 定义可衡量的标准。
2. 提出评估量表。
3. 建议评估周期。

回答格式：
包含标准、说明和评分量表的表格。

示例 2

角色设定：
你将担任企业传播顾问。

目标：
就新行政管理系统的上线撰写一份内部通报。

背景：
员工对技术的熟悉程度参差不齐。

任务：
1. 说明变更原因。
2. 突出运营效益。
3. 告知后续步骤。

限制：
使用简单易懂的语言。
避免行话和技术术语。

回答格式：
连贯文本形式的公司通报。

示例 3

角色设定：
你将担任内部合规负责人。

目标：
评估供应商采购流程中的行政风险。

背景：
频繁采购外包服务。

任务：
1. 识别运营风险。
2. 识别基本法律风险。
3. 提出简单的行政管控措施。

回答格式：
表格加简短结论。

从简单到复杂：同一个 prompt 的三个层级

总体来说，prompt 可长可短，包含的元素可多可少。有些场景下，简单直接的 prompt 效果就很好；另一些场景则需要细节和元素多得多的 prompt。请再看几个例子：

Basic

You are a text editor. Review the abstract below for grammar, cohesion and coherence. Structure it into paragraphs.

Intermediate

You are a scientific editor specialized in medicine with 15 years of experience in international journals.

This abstract will be submitted to JAMA as a structured abstract.

Review the abstract below for:
- Grammar and clarity in scientific English
- IMRAD structure (Introduction, Methods, Results, Discussion)
- A maximum length of 300 words

Expected format: paragraphs with bold subsection headings.

Advanced

[SYSTEM]
You are a senior scientific editor specialized in medicine with 15 years of experience in international journals (JAMA, Lancet, NEJM). Your task is to perform a critical editorial review.

[CONTEXT]
This abstract will be submitted to JAMA. Audience: editors, reviewers and international clinical readers. Expected standard: editorial excellence.

[ACTION]
Review and rewrite the abstract below while preserving scientific integrity and maximizing clarity.

[POSITIVE CONSTRAINTS]
- Structure: IMRAD with bold subsection headings
- Length: maximum 300 words
- Style: formal scientific English, active voice whenever possible
- Citations: use bracketed numbers [1], [2], etc.
- Data: preserve all original numbers and values exactly

[NEGATIVE CONSTRAINTS]
- Do not speculate beyond the presented data
- Do not use nonstandard jargon or undefined abbreviations
- Do not alter the scientific conclusions; only clarify expression

[EXPECTED FORMAT EXAMPLE]
**Introduction.** [2-3 sentences on the problem and the knowledge gap]
**Methods.** [Design, population, intervention]
**Results.** [Main findings with values]
**Discussion.** [Clinical meaning, limitations, next steps]

[VALIDATION]
Before answering, confirm:
✓ Does every claim have a supporting source or citation?
✓ Is the length within 300 words?
✓ Is the IMRAD structure preserved?

If any criterion is not met, state which one before delivering the revision.

进阶水平：质量清单

要判断你的 prompt 是否「足够好」，可以使用这份检查清单：

"请回答维生素 D 在 COVID-19 中的有效性。你必须只基于科学证据作答，并明确列出你的来源。"

虽然语义相同，但版本 A 往往有更高的遵守率，因为模型会先读到限制条件，并把它当作该任务的优先规则。

近因与首因

语言模型通常会对 prompt 开头与结尾的信息赋予更大权重：

- 放在开头的指令更容易影响回答的“总体策略”。如果你在开头就定义好语气、persona 或核心限制，模型通常会把它们当作指导原则（首因效应）。

- 放在结尾的指令更容易影响当前的即时行动。如果最后一句是“请用 100 个词回答”，那么这条规则在本次输出里通常会被优先执行（近因效应）。

这带来一个实际问题：埋在长 prompt 中间的指令最容易丢失，通常也是遵守率最低的部分。

示例：
关于文献来源的限制（仅限 PubMed、近 5 年）放在中间时的遵循度，低于紧跟在角色设定之后放置时的遵循度——这个小小的调整就能带来显著更好的表现。

示例：

开头："你必须只引用一手来源。"
结尾："在结束前，请确认所有论断都附有一手来源引用。"

Prompt 分块

在某些情况下，你不得不写一个很长的 prompt。要execute长 prompt 并获得好结果，最好的技巧之一是把它拆分成块/小节，并使用特定格式（markup、JSON）。与其写一个 2000 词、指令散落各处的 prompt，不如这样组织：

区块 1：［角色设定 + 核心限制］
区块 2：［背景 + 问题］
区块 3：［行动 + 期望格式 + 验证］

最后的点睛之笔
当然还有更高级的输出校验技巧（会在这本电子书后面出现），但你已经可以在事实型 prompt 的结尾加入一句简单命令：“在转述输出之前先检查它；如果与所要求的输入不一致，就重新开始。持续执行，直到不存在不一致或不连贯之处为止。”

示例："[把你的 system prompt 放在这里] 为确认你已经读过这些说明，请用以下句子开始回答：‘我理解自己必须 [简要总结关键指令]。’ 然后再继续正式回答。"

📐 专业 prompts 的推荐顺序

可以根据日常使用需求对 GPT 进行个性化设置，使其更贴合我们的需要。请打开 ChatGPT 的设置并进入「个性化」：

通用“主 prompt”

默认情况下，我希望回答正式、简洁且结构良好。我的请求大多直接或间接地与科学文献的撰写有关。

不要自动附和或反驳我。请分析我的 prompt，并尽可能客观地回答。

为确保这些准则得到切实遵守，我总是以 "let's work" 或 "vamos trabalhar" 开始对话，并希望你以 ["[你的名字]"] 称呼我。在这些情况下，回答必须绝对中立：不要迎合也不要反驳我的疑问、想法或观点。请批判性地分析所提供的文本，给出最恰当的答复，严格避免错误、不精确和幻觉。

Projects：定制化工作空间

OpenAI 官方将 Projects 定义为专门的「工作区」。想象一下，你在同一家公司或不同公司中身兼数职：可以为每一种角色分别建立一个 Project，并为其配置专属的指令和文件。

每个 project 都支持设置一个与该任务关联的主 prompt，还可添加参考文件。精准的 prompt 加上相关文档，能让 project 变成真正个性化的得力助手。顺带一提：Gemini 把这类功能称为「Gems」，Claude 称之为「Projects」。大多数 AI 都有某种类似的个性化机制。

语言教学 Project 的 prompt 示例

你将扮演一位专攻成人语言教学的教师兼顾问，方法论立足当代：任务型学习（Task-Based Learning）、交际语言教学（Communicative Language Teaching）及相关路径。

你将运用成人教育学与神经教育学，为任意语言设计教学方案，优先培养沟通能力与功能性流利度，而非首先追求语法精确。

任务包括：
- 以模块化架构设计结构化课程，适配学习者的 CEFR 等级（A1-C2）与具体目标
- 主持渐进式沉浸的实操会话
- 设计基于间隔重复、交错练习与检索练习的习题
- 即时、具体、面向行动的反馈
- 持续的形成性评估与难度动态调整

Projects 与 GPTs 的区别

今天 ChatGPT 里的「GPT」过去叫「plugin」，与 Projects 相差很大。随着两类工具的演进，它们越来越相似。从实用角度看：GPT 适合理解为面向分享的个性化「工作环境」，而 Projects 主要面向个人使用，虽然同样可以共享。

标准检索（Google 或普通 AI）就像问图书管理员某个主题，而对方把自己最近读过的一本书递给你：信息来得快，但有限。而 Deep Research则像雇用一名专业研究员：他 (1) 制定检索计划，(2) 阅读数十篇文章/资料来源，(3) 交叉比对相互矛盾的信息，(4) 追溯一手来源以解决分歧，(5) 最后写出一份整合报告。耗时更长——从几分钟到半小时不等——但结果的深度不可同日而语。

Deep Research 在知识光谱的两端都很有用：一是当你「几乎一无所知」时（在与专家会面前建立最低限度的背景），二是当你「已有相当积累」时（快速跟进文献最新进展）。请明确告诉 Deep Research 应优先参考哪些来源：PubMed 上有全文的文章、特定法院的判例、卫生部的临床诊疗协议等等。

你将围绕心理健康与 LLM（大型语言模型）的使用开展一次深入研究。

请提供相关案例或实例、风险、最常见精神障碍在全球和巴西的流行情况，并讨论 LLM 的使用是否可能对普通人群构成威胁。

同时，请提供关于该主题的新闻报道概况，并说明大型科技公司如何应对这一议题。

此外，请检索并分析与该主题相关的科学论文（采用 EBM 标准，证据等级为 A/B，仅限 PubMed/Medline 上可获得全文的论文），并总结其主要发现。

对比：Deep Research vs. Deep Search

选择建议： 需要一份技术卷宗？ChatGPT ou Gemini。需要核实事实与新闻？Perplexity ou Grok。需要分析手头已有的 50 份 PDF？Claude ou Gemini Notebook（接下来会讲到）。

注意：Z.ai 的 ZCode（出现在智能体工具一览中）并不是检索工具——它是配合 GLM 模型进行编程的智能体开发环境，相当于 Claude Code 或 Codex。因此它没有出现在这张 Deep Research 对照表中。

Canvas 模式让你可以编辑并审阅正在生成的内容。来看一个实际例子：你需要审阅自己撰写的一份文档（会议纪要、文章、书籍章节……），这时与其简单地把文档丢给 AI 请它代为修改，不如在 Canvas 中打开它，与 AI 一起编辑：你直接动手改掉认为需要改的地方，再让 AI 完成其他修改（压缩某段、扩写某节等）。

请注意一个近期变化：ChatGPT removeu 其主力模型中的 Canvas 模式——2026 年起，文本和代码的编辑直接在对话内以可编辑「块」的形式进行，不再有独立面板。如今，Gemini 是这类专门协作编辑空间的标杆工具，下面的例子在它那里效果最佳。

Canvas 是编辑代码、网页（HTML）乃至文档的利器。我更倾向于自己动手修改文字，下面分享我常用的 prompt，供你复制并按自己的实际情况调整：

你将审阅所附文本，检查其中可能存在的语法或输入错误。请从连贯性与衔接性角度进行评估，但不要直接改写正文：请用删除线标记你建议移除的部分，并在旁边用加粗方式写出你的建议，这样我就能清楚识别哪些部分需要调整，并自行判断是否采纳。
            

值得一提的是，这类功能变化很快——就在本书的写作周期内，GPT 自己的 Canvas 功能也曾上线后又停用。掌握工具用法的最好办法就是动手实践，那就开始吧！

2026 年 7 月，Google 将 NotebookLM 更名为 Gemini Notebook，作为与 Gemini 生态其余部分更紧密集成的一部分。还是同一个工具，用途不变——如果你以前用 NotebookLM，你的笔记本仍在原处，旧链接也依然有效。在本书中，我此后统一使用「Gemini Notebook」，但如果你在别处还见到旧名称，不必奇怪。

这是我最喜欢的 AI 工具，下面解释原因。前些年，它因能生成「音频摘要」而走红——这固然是很棒的功能，但我如此频繁地使用它，主要并非因为这个。

回到之前关于幻觉的讨论：通过调整 prompt 并对来源进行锚定（grounding），我们可以把幻觉率降到最低。这正是 Gemini Notebook 的做法：它只依据你选择添加的来源进行检索——并据此作答。

创建新笔记本时，第一屏是选择来源。你可以添加文档、Drive 文件、Google Docs（包括电子表格）、YouTube 视频、网站链接和音频文件。这些材料都会成为你的来源，而 todas 个由 prompt 得到的答案都将 专门 自你添加的来源。如果你听说过 RAG（retrieval augmented generation），那大致就是 Gemini Notebook 的做法——把错误和幻觉尽可能降到最低。

如何在 Gemini Notebook 中添加来源

添加来源后，界面布局如下：左侧是已添加的来源（可以删除或继续添加）；中间是 prompt 界面；右侧是 Gemini Notebook 提供的各种交互资源。

Gemini Notebook 提供的资源

资源面板通常包括：

• 音频摘要 (音频摘要（由两位主持人围绕你的来源展开讨论的播客）)
• 学习指南 (学习指南（含选择题、简答题与论述题）)
• FAQ (FAQ（关于内容的常见问题）)
• 摘要与时间线
• Briefing 文档 (Briefing 文档（执行摘要）)
• 思维导图
• 信息图
• Flashcards 与 Quiz
• 用代码做数据分析（最新功能：一个安全的云端环境，会编写并运行代码来交叉分析你的来源，据此生成图表、表格和报告）

几乎所有资源都带有一个「铅笔」图标——这意味着你可以通过插入自定义 prompt 来修改该资源的默认指令。

编辑资源——音频示例

你将生成一段尽可能详尽悠长的音频，以严谨精确的方式阐述方法论细节：深入描述所开发产品的结构是如何搭建的，以及辩论 prompt 的细节（是采用多角色的智能体化策略，还是实际使用了不同的智能体）。最后，请着重说明结果：细致描述并解释其对医疗健康的影响。

超大上下文窗口

Gemini Notebook 提供 100 万 token 的上下文窗口，可与多份长文档同时交互——整本书、科学论文、会议记录。与一般 AI 不同，它专为「专业地查询」多个文件而设计：来源与对话窗口分离，但模型可以完整访问。因此你可以与文档长时间对话，而文档的体量不会干扰对话记忆。

每个答案都附有对你文档原始片段的精确引用，便于核对，大幅提升了专业使用的可靠性。

Google 生态：集成与动态更新

Gemini Notebook 与 Google 生态集成，可以把 Google Drive 中的文件夹和文档用作来源。最实用的一点：把 Google Docs 连接为来源后，Gemini Notebook 会保持与原文件的关联——你可以随时更新它。一旦检测到最新版本有变动，Gemini Notebook 会提供更新来源的按钮。

音频与视频转录

Gemini Notebook 可以完整转写音频和视频：只需把它们添加为来源，再通过 prompt 要求转录即可。你还可以加入强调指令：想象你录了一场需要整理成纪要的会议，或一堂老师反复强调要点的课。示例：

请完整转录来源材料，并在可能的情况下识别不同说话者。

随后，请撰写一份正式会议纪要，至少包括以下要素：日期、已识别的参会者、讨论议程、已作出的决策，以及后续待办事项及其负责人。

Gemini Notebook：免费版与付费版

免费版与付费版存在差异：可创建的笔记本数量、每个笔记本的来源数量、每天可生成的资源数量，以及（就主观感受而言）部分资源的生成速度。我的建议：先用免费版，等你充分熟悉工具后，再视需要升级到付费版。付费档不单独出售：它包含在 Google AI Plus、Pro 和 Ultra 订阅中。

• 更多笔记本、每个笔记本更多来源（限额高于免费版）
• 每天可生成更多音频摘要
• 更长、更细致的音频内容
• 与 Google Workspace 更深度的集成
• 面向团队的 notebook 共享功能
• 优先支持与新功能抢先体验

Gemini Notebook 在学术场景中特别好用！我经常用它来处理学术文本（例如 PDF 论文——现在也支持 EPUB 文件）

• 文献综述：把选定的文章加入来源，用 prompt 来归纳主要发现、比较研究方法或识别知识空白。
• 指南学习：载入某专科最新的临床指南，直接向它们提出临床问题
• 报告准备：利用学习指南和 FAQ 功能，围绕课程或讲座内容生成问题
• 学习日志：用 Google Docs 记录每天的笔记并连接到 Gemini Notebook；周末让它生成一份总结或小测验，回顾你所学的内容。
• 进阶技巧：把 Gemini Notebook 当作私人导师！先研读一篇文章，然后讲给它听，请它纠正并补充你理解错误或遗漏的关键点。

什么是 OpenEvidence？

OpenEvidence 是一个基于 AI 的临床决策支持平台，专为医生和医疗专业人员打造。与通用模型（如 ChatGPT 和 Gemini）不同，OpenEvidence 针对医学咨询做了专门训练和优化，可访问由其编辑团队筛选整理的医学文献。

该平台与多家权威机构签有内容合作协议，例如 NEJM（新英格兰医学杂志）、JAMA, NCCN（美国国立综合癌症网络）、Cochrane, Wiley, ACC（美国心脏病学会）、ADA（美国糖尿病学会）以及其他医学学会。

它如何工作？

它的操作很简单，与其它大语言模型背后的逻辑非常相似：

1. 你用英语或葡萄牙语提出一个临床问题
2. 工具会在自身医学文献数据库中检索
3. 返回一份带有原始来源引用与链接的答案
4. 你可以在同一会话中继续追问，以进一步深入

Access it at: www.openevidence.com

OpenEvidence 的 prompt 最佳实践

与任何 AI 工具一样，回答的质量取决于提问的质量。对 OpenEvidence 而言，以下做法会带来显著差别：

1. 加入与患者相关的关键临床背景

与其泛泛地问「高血压怎么治？」，不如提供上下文：

68-year-old male with a 10-year history of hypertension, type 2 diabetes, and an eGFR of 45 mL/min/1.73m². He is currently taking losartan 50 mg/day and metformin 500 mg twice daily. Current blood pressure: 155/95 mmHg. According to major guidelines, what therapeutic options are recommended to optimize blood-pressure control in this scenario?

2. 明确你想要的信息类型

What are the current indications for anticoagulation in non-valvular atrial fibrillation? Include:
- CHA2DS2-VASc score and treatment thresholds
- HAS-BLED score and its clinical usefulness
- Comparison between direct oral anticoagulants (DOACs) and warfarin in the main populations
- Special scenarios: advanced CKD, obesity, and reversal of anticoagulation

3. 要求给出证据等级与研究质量

What is the current evidence on the use of ivermectin for treating COVID-19? Please:
- Cite only randomized clinical trials and meta-analyses
- State the quality of evidence level (GRADE when available)
- Distinguish primary clinical outcomes (mortality, hospitalization) from secondary outcomes

4. 直接比较治疗方案

Compare the efficacy and safety of SGLT2 inhibitors versus GLP-1 receptor agonists in patients with type 2 diabetes and established cardiovascular disease, based on randomized clinical trials with hard cardiovascular outcomes (MACE, cardiovascular mortality, hospitalization for heart failure).

5. 使用追问来深化回答

OpenEvidence 支持在同一会话中继续追问。例如，在得到关于初始治疗的回答后，你可以接着问：

What if this patient also has heart failure with reduced ejection fraction (HFrEF)? How does that change the therapeutic choices, and which combinations have the strongest evidence for mortality benefit?

使用 OpenEvidence 时的核心提醒

OpenEvidence 功能强大，但使用不当可能导致临床错误。以下三点尤其值得警惕：

AI 虽然强大，但使用它们需要责任心，也需要了解其局限——在健康等关键领域尤其如此。下面我们重点列出四个基本注意点。

1) 幻觉（Hallucination）

AI 中的「幻觉」指的是生成看似正确、且以高置信度呈现、实则虚假或凭空捏造的信息。原因在于模型预测的是最可能的下一个词，而不一定是事实。在医疗领域，这可能表现为编造诊疗方案、药物剂量，或引用根本不存在的文献。 务必核查来源。

2) 偏差风险（Bias）

AI 模型的训练数据来自互联网上的海量数据集，其中包含社会偏见。这可能导致输出延续性别、种族或社会经济刻板印象，或在医学诊断中表现出偏倚（例如对特定人口学群体的某些疾病诊断不足）。请对这些失真保持警惕。

3) “黑箱”范式（Black Box）

我们并不确切知道 como 或 por que AI 是如何得出某个结论的。我们不知道训练用了哪些材料，也不知道某个具体答案依据了哪些特定来源。此外，神经网络的内部过程复杂且透明度低。这在临床实践中是关键问题——在那里，可解释性对决策的安全性及可信度至关重要。

4) 巴西监管规定怎么看

自 2026 年 8 月 26 日起，人工智能在巴西医疗执业中的使用开始受 CFM 第 2.454/2026 号决议。你不必记住细节，但值得了解其核心原则——因为它们如今以规范的形式，确认了本书一直在强调的内容：

与任何新规一样，本材料发布后可能出现更新或补充性规定——在据其做出任何合规决定之前，建议直接到 CFM 网站（cfm.org.br）查阅现行文本。

本节相当于一份备查目录：收录了更精细的 prompting 技术，每种都配有可编辑的通用示例，多数情况下还附有一个已应用于具体场景（临床、法律或行政）的第二个示例，让你看到范式的实际运作。无需记住那些英文名称；每当你需要复制某个模板并适配当前任务时，回到这里即可。

用于拆解复杂任务的 prompt（提高生产力）

[TASK DECOMPOSITION - REAL EXAMPLE]

My main task is: Prepare a 2025 departmental spending-analysis report for presentation to the executive board.

Please break this down into sequential subtasks, numbered from 1 to N.

For EACH subtask, provide:
- Subtask number and title
- Description of what needs to be done
- Success criterion
- Any prior dependency
- Estimated time

Additional context:
- We have data from three sources: SAP, internal spreadsheets, and department receipts
- The presentation is in 2 weeks
- Audience: 8 non-technical executives
- Expected format: 15-20 slides with the main charts

可编辑示例

[TASK DECOMPOSITION]

My main task is: [DESCRIBE THE OVERALL TASK]

Please break it into sequential subtasks, numbered from 1 to N.

For EACH subtask, provide:
- Subtask number and title
- Description of what must be done
- Success criterion (how to know it was done well)
- Any prior dependency
- Estimated time

Then present a recommended execution timeline.

思维链（Chain of Thought）

可编辑示例:

[Chain of Thought - EDITABLE]
You are a [SPECIALIST IN WHAT?].
Analyze: [DESCRIBE THE CASE / PROBLEM]

Think step by step:
1. [WHAT IS THE FIRST LOGICAL STEP?]
2. [WHAT IS THE SECOND STEP?]
3. [WHAT IS THE THIRD STEP?]

Respond by detailing each step of your reasoning.

完整示例:

[Chain of Thought - FULL]
You are a project manager. Analyze the following: an ERP implementation project was planned for 6 months with a budget of R$ 500,000. We are now in month 4, R$ 450,000 has already been spent, but only 60% of the functionality has been delivered. The client is dissatisfied.

Think step by step:
1. Diagnosis: what was the root cause of the delay (scope, resources, planning)?
2. Impact analysis: how much extra time and cost will be required?
3. Strategy: what options exist (extension, scope reduction, larger team)?

Respond by detailing each stage.

思维树（Tree of Thought）

可编辑示例:

[Tree of Thought - 可编辑]
分析：[描述一个包含多个选项的复杂情景]

构建一棵思维树，模拟多个情景：

情景 1：[第一个选项]
- 子后果 1a：[...]
- 子后果 1b：[...]
- 可能结果：[...]

情景 2：[第二个选项]
- 子后果 2a：[...]
- 子后果 2b：[...]
- 可能结果：[...]

情景 3：[第三个选项]
- 子后果 3a：[...]
- 子后果 3b：[...]
- 可能结果：[...]

综合：哪个情景成功的可能性最大？

完整示例:

[Tree of Thought - 完整版]
一家公司需要就国际化扩张做出决策。请分析三个主要情景：

情景 1：亚洲市场（高风险、高回报）
- 初始投资：1000 万美元
- 监管壁垒：高
- 市场潜力：5 亿人
- 可能结果：若成功进入，4-5 年回本

情景 2：拉美市场（中等风险、中等回报）
- 初始投资：500 万美元
- 监管壁垒：中等
- 市场潜力：1.5 亿人
- 可能结果：2-3 年回本

情景 3：欧洲市场（低风险、低回报）
- 初始投资：300 万美元
- 监管壁垒：高
- 市场潜力：1 亿人
- 可能结果：1-2 年内回报稳定

综合：就短期扩张而言，拉美市场的风险-回报平衡最佳。

学习链（Chain of Learning）

可编辑示例:

[Chain of Learning - 可编辑示例]
你将作为一个互动模拟器，帮助我训练 [具体领域？]。

[你的角色]
1. 围绕 [具体主题] 创建一个初始情境或问题
2. 不要立即揭示答案
3. 随着我推进，逐步提供中性信息
4. 根据我的表现调整难度
5. 审视我的推理并指出其中的漏洞

[互动方式]
- 我给出自己的分析或解决方案
- 你提供建设性的反馈
- 我们反复迭代，直到我真正掌握该主题

我准备好了。请先告诉我领域和主题。

完整示例:

[Chain of Learning - 完整示例]
你将作为一个互动模拟器，帮助我训练临床流行病学。

[你作为教师-模拟器的角色]
1. 创建一个真实的流行病暴发场景（例如：“我们在一家托儿所的 3 天内发现了 15 例胃肠炎”）
2. 不要立即揭示最可能的病因
3. 当我提出请求时，再提供数据（症状、潜伏期、暴露史、实验室结果）
4. 随着我展现理解，逐步提高复杂度（例如：混杂因素）
5. 复盘我的流行病学推理（我的初始假设是否恰当？）

[我的方法]
- 我会提出关于来源与传播方式的假设
- 我会请求特定数据来验证这些假设
- 你会反馈这项调查是否充分

我准备好了。请给出一个暴发场景。

[Chain of Verification]
Answer: what are the main drug interactions between warfarin and common foods and antibiotics? After answering, follow this verification protocol: 1. Create 3 questions to check whether the cited interactions are true (for example: “Does vitamin K really interfere?”). 2. Answer those questions independently. 3. Provide a revised and corrected final answer based on those checks.

[Chain of Verification]
List 3 recent decisions from the Brazilian Superior Court of Justice (STJ) on hospital civil liability. Follow the CoVe protocol: 1. Generate questions to confirm case number and year. 2. Answer whether the cases exist and actually concern the topic. 3. Deliver only the confirmed cases.

[Chain of Debate] 你将扮演两位在内部展开辩论的医学专家。背景：一位高龄、体弱、有多种合并症、新近确诊晚期癌症的患者。任务：模拟一场结构化的内部辩论：专家 A 主张积极治疗，专家 B 主张早期姑息治疗。双方须陈述各自论点、反驳对方并承认局限。最后给出一份平衡的综合意见。

[Chain of Debate]
Simulate a discussion between a defense attorney, a prosecutor and a judge about the admissibility of WhatsApp evidence obtained without authorization in a corruption case. Debate “Fruit of the Poisonous Tree” versus “Public Interest.”

[Self-Consistency]
Generate three independent analyses of the same clinical case involving suspected pulmonary embolism (PE). Produce three separate diagnostic reasoning paths. Then compare them, identify the most consistent convergence points, and formulate a final conclusion.

[Self-Consistency]
Generate three independent legal analyses of the same contractual case. Identify their common points and use them to formulate the most robust conclusion.

[Reflexion]
Write a postoperative guidance document for cataract surgery. After generating the text, execute: “Reflect critically on your answer: where may I have oversimplified? Which assumptions may be wrong? What additional information would change my conclusion?” After that reflection, refine your original answer.

[Reflexion]
Reflect critically on the legal opinion you have just produced. Identify weaknesses, questionable assumptions and points that need stronger grounding. Revise the opinion after that analysis.

[Prompt Chaining]
Prompt 1: Analyze this clinical case and generate a structured differential diagnosis. Prompt 2: Based on the differential diagnosis above, propose an evidence-based initial management plan.

[Prompt Chaining]
Prompt 1: Summarize the main legal risks in the presented case. Prompt 2: Based on the identified risks, develop a defensive legal strategy.

[Generated Knowledge]
Before analyzing the clinical case below, generate a technical summary on the following: pathophysiology of septic shock, current diagnostic criteria, and general principles of treatment. Only afterward should you apply that knowledge to the presented clinical case.

[Generated Knowledge]
Before analyzing the case, generate a technical summary on the following: principles of contractual good faith and legal grounds for rescission. Then apply that knowledge to the concrete case.

[Least-to-Most]
First explain, in simple language, what heart failure is. Then: 1. Explain the pathophysiological mechanisms. 2. Differentiate HF with preserved versus reduced ejection fraction. 3. Relate that distinction to therapeutic choice.

[Least-to-Most]
To conduct due diligence on a startup, first identify the 4 critical risk areas. Then, for the first area, list the indispensable documents and create a verification checklist.

[Directional Stimulus]
When answering about this clinical case, prioritize the following rigorously: patient safety, evidence-based medicine, and the prevention of overdiagnosis and overtreatment. [Describe the clinical case here].

[Directional Stimulus]
When answering about this dispute, prioritize the following: minimization of legal risk, conservative interpretation of the law, and protection of the client’s assets. [Describe the case.]

[Program-Aided Language]
Represent the diagnostic reasoning for a suspected sepsis case in logical pseudo-code (if/then) before explaining it in natural language, in order to ensure algorithmic precision.

[Program-Aided Language]
Calculate the value of a R$ 50,000 debt due on 10/01/2023, with 1% interest and IPCA inflation of 4.5%. Write a Python script that performs the calculation and run it to give me the exact amount.

[ReAct]
You will operate in ReAct format to manage a case of toxic exposure: Thought 1: I need to know which substance was ingested. Action 1: Ask the user. Thought 2: Based on the response, I should check the antidote. Action 2: Provide the dose. Continue the cycle until stabilization.

再看法律场景：

[ReAct]
Alternate between legal reasoning and action: Thought: What does this notice mean? Action: Which document should be reviewed? Thought: What are the implications? Action: What response is recommended? Continue until a final strategy is reached.

如果你已经注意到「同一个 ChatGPT」会因 onde 而表现迥异？其逻辑大致如下：GPT 是模型，它被置于多种不同环境之中：通过网页访问的是 chatGPT；而在电脑上写代码，用的是 codex——模型是同一个，但它能调用的工具、以及规定它能做什么不能做什么的基础指令各不相同。模型周围的这套环境，就是我们所说的 harness.

这个词源于马具（和安全带）

Harness，在英语里指的是马的马具、狗的胸背带、登山者的安全吊带（还有其他例子，不带偏见）。这种穿戴在人身上的结构，定义了其工作情境、安全措施，以及要用哪些工具……图片本身一目了然

在人工智能领域，harness 恰恰就是这样：包裹在模型外面的软件层，它为模型提供工具、记忆、权限、验证和行动能力。正是这套基础设施，把「一个文本预测器」（模型）变成「一个能做各种事情的助手」（具体取决于 harness）。

单靠模型几乎做不了什么

回顾一下 Basic mechanics: 一个大语言模型（LLM）孤立地看只做一件事——接收文本并逐 token 返回最可能的续写。 孤立地看，模型不会浏览互联网、不会运行代码、不会打开你的文件、不会记住昨天的对话，也不会在世界中执行任何操作。它只会生成文本。

一切看起来像是「AI 在做」的事——检索、读 PDF、执行计算、生成表格、引用确切的出处、记住你的偏好——其实都是 harness 在模型周围工作。

harness 在实践中如何运作

当你提交一个任务时，harness 大致会执行这样的循环：

1. 接收任务，并组装上下文（汇集你的请求、固定指令、相关记忆，以及在需要时替你检索到的文档片段）。
2. 把内容发给模型，并读取回答。
3. 如果模型「请求」某个工具（检索网络、运行代码、读取文件、查询 API），真正去执行的是 实际执行 该操作，并把结果返回给模型。
4. 重复循环，直到任务完成——推理、行动、观察结果、再次推理，如此往复。
5. 施加约束 (guardrails）：哪些是允许的、哪些需要你确认、哪些必须经过验证。
6. 交付结果——通常还附有步骤与来源的记录（可观测性).

发动机与载具的类比

这与 AI 模型中自行车与汽车的逻辑相同，只是升了一个层级。一个怀旧例子：同一台甲壳虫发动机，既能装出「Herbie」，也能装出超轻型飞机。模型就是发动机，外壳——即外围部分——就是 harness。在这个古怪的例子中，显而易见：harness 赋予模型的功能和特性天差地别！

所以「哪个模型最好？」是个不完整的问题。实践中，你几乎从不会使用纯粹裸的模型：你使用的是 模型 + harness。当你比较 ChatGPT 与 Gemini Notebook，或比较网页版 Claude 与代码编辑器里的 Claude 时，你感受到的差异 来自 harness，而不是模型本身。

从工具到智能体

当 harness 赋予模型自主性去 规划、循环行动并自行决定步骤——有时还能调度专门的「子智能体」（一个负责代码、一个负责图像、一个负责检索）——人们所说的 agente de IA 或 智能体化 AI。简单来说，智能体就是 拥有行动自由的模型 + harness.

你可能已经用过的 harness 举例

概括而言：模型负责思考；harness 则让模型能借助工具思考、在限制内行动、并对所做之事负责。没有 harness，模型无法在真实世界运行——实践中，你雇用、配置和监管的正是 harness。